• No results found

Kunstmatige intelligentie bij het lokaliseren van de driehoek van Calot tijdens een cholecystectomie

N/A
N/A
Protected

Academic year: 2020

Share "Kunstmatige intelligentie bij het lokaliseren van de driehoek van Calot tijdens een cholecystectomie"

Copied!
49
0
0

Loading.... (view fulltext now)

Full text

(1)

Kunstmatige intelligentie bij het lokaliseren

van de driehoek van Calot tijdens een

cholecystectomie

Universiteit Twente Technische Geneeskunde

MDO groep 1

(2)

Kunstmatige intelligentie bij het lokaliseren van de

driehoek van Calot tijdens een cholecystectomie

Datum van publicatie: 25 juni 2018

Auteurs: Jenneke de Jong, Dionne Nijland, Ilja Westra en Lisa Zwetsloot Studentnummers: S1727583, S1742027, S1742302, S1710974

Opleiding: Technische Geneeskunde

(3)

Voorwoord

Op 23 april zijn wij begonnen met de Multi Disciplinaire Opdracht, de

bacheloropdracht van Technische Geneeskunde aan de Universiteit Twente. Voor deze opdracht hebben wij de vrijheid gekregen om onszelf te oriënteren binnen het onderwerp Kunstmatige Intelligentie (KI) in de operatiekamer en tot een

onderzoeksvoorstel te komen. Vervolgens hebben wij negen weken lang onderzoek gedaan naar het gebruik van KI bij een cholecystectomie.

In deze scriptie is de eerste stap van de toepassing van KI bij een cholecystectomie beschreven. Ook is onderzocht wat de visie van chirurgen op KI is. De opdracht is verstrekt door het Meander Medisch Centrum te Amersfoort. De overige faciliteiten om deze opdracht goed uit te kunnen voeren heeft de Universiteit Twente voor haar rekening genomen.

Er zijn een aantal personen die we willen bedanken voor hun bijdrage aan deze scriptie. Allereerst willen we dr.ir. F. van der Heijden, onze technisch begeleider, bedanken voor het overdragen van zijn kennis over KI en begeleiding bij het gebruik van MATLAB. Verder willen we Michiel Schuhmacher, onze TG-begeleider,

bedanken voor zijn begeleiding bij het opstellen van een onderzoeksvoorstel en zijn paraatheid tijdens onze bezoeken aan het Meander. Onze medisch begeleider prof. I. Broeders willen we bedanken voor het laten bijwonen van verschillende operaties in het Meander en het delen van zijn inzichten in de ontwikkeling en toepassing van KI op de OK. Ook willen we Hans-Pieter Snels, onze tutor, bedanken voor het begeleiden van het groepsproces. De gesprekken waren een welkome afwisseling en gaven ons nieuwe inzichten. Uiteraard willen we ook alle chirurgen die bereid waren een interview te geven bedanken voor hun belangrijke bijdrage aan onze scriptie. Ten slotte willen we alle proefpersonen bedanken; zonder hen was het niet gelukt om het experiment uit te voeren.

Jenneke de Jong, Dionne Nijland, Ilja Westra en Lisa Zwetsloot

(4)

Samenvatting

INLEIDING: Een mogelijke waardevolle medische toepassing van Kunstmatige intelligentie (KI) is structuurherkenning tijdens operaties [1]. Een cholecystectomie is een dergelijke operatie waarbij structuurherkenning van groot belang is. Tijdens een cholecystectomie moet, voorafgaand aan het verwijderen van de galblaas, de driehoek van Calot gelokaliseerd worden [2]. Aangezien de driehoek van Calot lastig te onderscheiden is van omliggend weefsel, is dit een proces wat veel tijd kost en niet altijd succesvol is [3][4]. In dit onderzoek wordt onderzocht op welke manier KI chirurgen kan ondersteunen bij het veiliger en efficiënter herkennen van de driehoek van Calot tijdens een cholecystectomie en wat de visie van chirurgen op KI is. Er wordt een experiment opgesteld waarbij de herkenning snelheid van personen en een computernetwerk vastgesteld worden. Verwacht wordt dat de computer sneller is dan personen, omdat computers sneller zijn in het verwerken van data [5]. De verwachting van de toekomstvisie van chirurgen betreft KI, is dat de meningen uiteenlopend zullen zijn. Vooral wordt verwacht dat er sceptisch zal worden gereageerd door de medisch specialisten.

METHODE: Na trainen met artificiële afbeeldingen met driehoeken, cirkels en ruis is onderzocht of het middels deep learning mogelijk is dat het netwerk deze structuren zelfstandig gaat herkennen. Hierna is de herkenning snelheid van 48 proefpersonen in de praktijk getest. Hiervoor zijn films gecreëerd waarin driehoeken en cirkels vanaf een willekeurig moment langzaam in beeld komen. Deze films zijn gebruikt om te bepalen wanneer het netwerk en de proefpersonen de vorm

herkenden. Ten slotte is de vergelijking gemaakt tussen de gemiddelde snelheid van de herkenning door de proefpersonen en de snelheid van herkenning door het

netwerk met behulp van een statistische analyse. Met behulp van de one-sample

onafhankelijke T-toets is de nulhypothese: ‘Het getrainde netwerk herkent de vorm op hetzelfde framenummer als de proefpersonen’ getest tegen de alternatieve

hypothese: ‘Het getrainde netwerk herkent de vorm op een eerder framenummer dan de proefpersonen’. Middels het afnemen van interviews met medisch specialisten is hun visie op KI en de toepassing hiervan op de OK duidelijk geworden. Door bepaalde rubrieken te maken, is er schematisch naar de interviews gekeken en zijn deze vergeleken.

RESULTATEN EN CONCLUSIE: Uit het onderzoek is gebleken dat een

(5)

Inhoudsopgave

Glossarium VI

1 Inleiding 1

1.1 De galblaas . . . 1

1.2 Cholecystectomie . . . 3

1.3 Kunstmatige Intelligentie . . . 3

1.4 Hypothese . . . 4

1.4.1 Hypothese 1 . . . 4

1.4.2 Hypothese 2 . . . 5

2 Methode 6 2.1 Literatuurstudie . . . 6

2.2 Inzicht verkrijgen in een cholecystectomie . . . 6

2.3 Experimenteel onderzoek . . . 6

2.4 Interviews . . . 8

3 Resultaten 9 3.1 Analyse door het getrainde netwerk . . . 9

3.2 Vergelijking personen analyse met netwerkanalyse . . . 10

3.3 Interview . . . 12

4 Discussie 17

5 Conclusie 19

Referenties 22

Bijlage A: Aanvulling achtergrondinformatie 23

Bijlage B: Matlab scripts 25

Bijlage C: Analyse van het getrainde netwerk 33

Bijlage D: Interview protocol 34

Bijlage E: Extra afbeeldingen resultaten 35

Bijlage F: Aanvulling interview 37

Bijlage G: Onze toekomstvisies betreft KI 41

(6)

Glossarium

Afkorting Definitie

A Amplitude a. Arteria

ANN Artificial neural network

CNN Convolutional neural network

CVS Critical view of safety

DL Deep learning

fps Frames per second

IC Intensive care

KI Kunstmatige intelligentie

ML Machine learning

OK Operatiekamer SNR Signal to noise ratio

(7)

1

Inleiding

De zorguitgaven zijn in 2018 de grootst begrote kostenpost [6]. Verwacht wordt dat de zorgkosten in het jaar 2021 met nog eens 4,9 procent gestegen zullen zijn ten opzichte van het jaar 2018 [7]. Het is dus van groot belang om de zorgkosten te reduceren en naar manieren te zoeken om de efficiëntie in de gezondheidszorg te verhogen.

In diverse medische vakgebieden wordt gebruik gemaakt van kunstmatige

intelligentie (KI) om de efficiëntie te verhogen [8]. KI is de studie van algoritmes die machines de mogelijkheid geeft om zelfstandig te redeneren en cognitieve functies uit te voeren zoals probleemoplossing, structuurherkenning en besluitvorming [9]. Een mogelijke waardevolle medische toepassing van KI is structuurherkenning tijdens operaties [1]. Een cholecystectomie is een dergelijke operatie waarbij structuurherkenning van groot belang is. Tijdens een cholecystectomie moet, voorafgaand aan het verwijderen van de galblaas, de driehoek van Calot

gelokaliseerd worden [2]. Aangezien de driehoek van Calot lastig te onderscheiden is van omliggend weefsel, is dit een proces wat veel tijd kost en niet altijd succesvol is [3][4]. Indien de driehoek van Calot niet juist gelokaliseerd wordt kan dit leiden tot ernstige complicaties [10]. De meest ernstige complicatie is transsectie van de ductus choledochus [11][12]. Indien deze complicatie optreedt kan er stenose van de ductus choledochus optreden met als gevolg stase en biliaire cirrose[13][14]. Het doel van dit onderzoek is om te bepalen of KI tijdens een cholecystectomie een toevoeging kan zijn en hoe de chirurgen dit voor zich zien. Dit doel wordt bewerkstelligd aan de hand van de volgende vraag: op welke manier kan KI chirurgen ondersteunen bij het veiliger en efficiënter herkennen van de driehoek van Calot tijdens een

cholecystectomie? Dit wordt onderverdeeld in twee subvragen waarbij de eerste vraag onderzoekt of een getraind KI netwerk de driehoek van Calot sneller kan herkennen dan de mens en de tweede vraag onderzoekt wat de visie van chirurgen is betreft KI bij cholecystectomieën op de veiligheid, efficiëntie en hun positie.

1.1

De galblaas

De galblaas bevindt zich in een fossa op het viscerale peritoneum van de rechter sagittale fissuur van de lever [15]. In de galblaas wordt gal opgeslagen. Dit is een complexe vloeistof die wordt geproduceerd en uitgescheiden door de lever. In de galblaas concentreert het gal tot de belangrijkste stoffen: galzouten, bilirubine, cholesterol en lecithine.[16] De galblaas bestaat uit drie delen: de fundus, het corpus en de cervix. De fundus is het brede uiteinde dat meestal onder de rand van de lever uitsteekt. Het corpus is het gedeelte dat contact maakt met het viscerale oppervlak van de lever. De cervix is smal, neemt af in dikte, maakt meestal een S-vormige bocht en sluit aan op de ductus cysticus. De fundus ligt anterior van het superior deel van het duodenum. Het corpus, de cervix en de ductus cysticus liggen superior van het duodenum.[15] Het peritoneum omringt de galblaas en verbindt het corpus en de cervix van de galblaas met de lever [15]. De anatomie van de galblaas is weergegeven in figuur 1.

Het gal wordt uit de lever afgevoerd via de ductus hepaticus communis [15]. Deze is via de ductus cysticus verbonden met de cervix van de galblaas. De ductus cysticus loopt tussen de lagen van het omentum minor aan de anterior zijde van de a.

(8)

Figuur 1: Anatomische omgeving van de galblaas.[15]

De anatomische driehoek van Calot bestaat uit verschillende structuren, waarbij aan de superior zijde de a. cystica ligt, aan de latero-inferior zijde de ductus cysticus en mediale zijde de ductus hepaticus communis. Door chirurgen wordt tegenwoordig ook een andere driehoek gebruikt waarbij het inferior oppervlakte van de lever de superior begrenzing van de driehoek vormt in plaats van de a. cystica. In figuur 2 zijn beide driehoeken van Calot weergegeven.[17][18]

Figuur 2: Driehoek van Calot. Rood geeft de anatomische driehoek weer en blauw geeft de chirurgische driehoek weer.[17]

De galblaas kent verschillende pathologieën, waarvan de voornaamste cholelithiasis, cholecystitis en carcinomen zijn [19]. Bij cholelithiasis zijn galstenen aanwezig in het lumen van de galblaas of in de galwegen. In 75 procent van de gevallen bestaan galstenen uit cholesterol en in de resterende gevallen uit calciumbilirubine en andere calciumzouten.[20] Veelal veroorzaken deze geen symptomen, maar kunnen milde tot erge pijn veroorzaken als ze in de ductus choledochus of ductus cysticus

terechtkomen [19]. Galstenen bestaande uit calciumbilirubine worden vaak gevonden in de galwegen en galstenen bestaande uit cholesterol in de galblaas [20].

Acute cholecystitis is een ontsteking van de galblaas en ontwikkelt zich vaak door obstructie van de ductus choledochus en de ductus cysticus [21]. In 90 procent van de gevallen wordt dit veroorzaakt door galstenen en in de resterende gevallen door trauma, sepsis, salmonella typhosa infectie en polyarteritis nodosa [20].

Herhaaldelijke episodes van acute cholecystitis kunnen leiden tot chronische cholecystitis. Als de chronische cholecystitis lang aanhoudt kan dit uiteindelijk leiden tot een gecalcificeerde galblaas.[20]

Het adenocarcinoom is de meest voorkomende tumor van de galblaas [20][22]. Dit wordt in 2 procent van de patiënten gevonden die een cholecystectomie ondergaan [20]. De pathogenese vindt plaats in de fundus, waar de wand desmoplastisch is. Tegen de tijd dat symptomen optreden is het altijd ongeneeslijk en de

(9)

1.2

Cholecystectomie

Indien de hiervoor genoemde pathologieën zich voordoen, is een cholecystectomie gebruikelijk [24]. Er zijn verschillende manieren om deze operatie te verrichten, namelijk middels open of laparoscopische cholecystectomie. De laparoscopische cholecystectomie is de gouden standaard voor het uitvoeren van

cholecystectomieën.[25] Hierbij wordt de laparoscoop caudaal van de navel ingebracht. Het optiek mag niet te parallel aan de driehoek van Calot worden ingebracht.[2] Het is bij cholecystectomieën namelijk belangrijk om de driehoek van Calot in beeld te brengen, voor de zogenaamde Critical View of Safety (CVS). In het primaire gedeelte van de operatie wordt gebruik gemaakt van de chirurgische driehoek van Calot. De structuur is bedekt met peritoneum, wat het lastig maakt om de anatomische driehoek van Calot waar te nemen.[2] Als het peritoneum aan weerszijde van de peritoneale enveloppe geopend is, kan de CVS worden

waargenomen indien de fundus van de galblaas over de lever heen wordt gespannen [2][24]. Bij cholecystitis is er sprake van ontsteking en fibrose, waardoor het

verkrijgen van de CVS complexer wordt [2]. Pas als de CVS verkregen is, zal eerst de a. cystica worden geclipt en vervolgens de ductus cysticus. Deze specifieke volgorde van clippen is van belang om het scheuren van de a. cystica te voorkomen.[2] Naast de algemene complicaties, kunnen er ook specifieke complicaties bij de laparoscopische cholecystectomie optreden. Dit zijn beschadigingen of perforaties van nabijgelegen organen of beschadigingen aan de galwegen of bloedvaten.[26] Beschadigingen aan de galwegen en bloedvaten zijn de meest gevaarlijke

complicaties, deze komen in minder dan 1 procent van de gevallen voor en kunnen levensbedreigend zijn [3][27][28]. Complicaties komen over het algemeen in 0.5 tot 6 procent van de gevallen voor bij laparoscopische cholecystectomieën. Om

complicaties te voorkomen dient een correct beeld van de CVS verkregen te zijn.[27]

1.3

Kunstmatige Intelligentie

KI kan gedefinieerd worden als de studie van algoritmes die machines het vermogen geeft om te redeneren en cognitieve functies uit te voeren [28]. Een belangrijk deelgebied van KI is machine learning (ML). Binnen de ML zijn er verschillende lerende algoritmen, waarvan het artificial neural network (ANN) een belangrijke representant is. De ANNs kennen weer verschillende structuren. Wanneer zo’n structuur uit een groot aantal hiërarchische lagen bestaat spreekt men van deep learning (DL).[9]

ML maakt het mogelijk voor machines om te leren en te voorspellen aan de hand van het herkennen van patronen. Door middel van ML kan data gelabeld worden of kunnen structuren in de data gedetecteerd worden door respectievelijk supervised en unsupervised learning.[29] ML is voornamelijk handig om subtiele patronen in grote datasets te herkennen door gebruik te maken van non-lineaire modellen die

meerdere databronnen includeren [30].

Een onderdeel van ML is deep learning (DL), waarbij er gebruik wordt gemaakt van een algoritme dat een neuraal netwerk bevat en aan de hand hiervan een eigen beslissing kan maken [9][31]. Een voorbeeld van zo een neuraal netwerk is een ANN, waarbij signalen worden verwerkt in lagen die berekeningen uitvoeren om de data te analyseren [9]. Connecties tussen de verschillende lagen worden geparametriseerd met weegfactoren die kunnen veranderen en optimaliseren als het netwerk

(10)

Figuur 3: Een voorbeeld van een CNN waarbij de gegenereerde output fungeert als input voor de volgende laag.[31]

Ten slotte is er nog computer vision, wat met behulp van KI het begrijpen van afbeeldingen en video’s door machines beschrijft [32]. Een voorbeeld van computer vision is object recognition om objecten te kunnen herkennen in afbeeldingen of video’s. Deze techniek kan zowel middels machine learning alsdeep learning worden bewerkstelligd. Bij machine learning zullen manueelfeatures worden gekozen, bij

deep learning zal dit gebeuren middels een CNN. Het labelen van de data kan op twee manieren: pixel labeling of image labeling. Pixel labeling bekijkt elke pixel van de afbeelding individueel van elkaar, waarbij image labeling kijkt naar de afbeelding als geheel. Het voordeel van pixel labeling ten opzichte van image labeling dat het ook de locatie van het object kan weergeven.[31]

Veelbelovend is de combinatie van de hierboven beschreven deelgebieden die waarschijnlijk de ontwikkeling van de mogelijkheden van KI in versnelling zal brengen. De potentie zit voornamelijk in de mogelijkheden van het verwerken van gestructureerde en ongestructureerde data om op basis daarvan een klinische beslissing te nemen.[29]

1.4

Hypothese

Omdat de onderzoeksvraag uit twee delen bestaat, zijn er twee verschillende hypotheses opgesteld.

1.4.1 Hypothese 1

Verwacht wordt dat het getrainde netwerk sneller en nauwkeuriger zal zijn in het herkennen van vormen omgeven met ruis dan personen, omdat computers sneller zijn in het verwerken van data [5]. Computers met KI zijn een opkomend concept in de medische wereld. In de afgelopen tijd is het in toenemende mate in het nieuws en wordt er steeds meer onderzoek naar KI gedaan. In vergelijking met Amerika loopt Europa achter op het gebied van KI wat betreft onderzoek, technologie en

innovatie.[33] Een actueel voorbeeld hiervan is het computerprogramma Watson wat is ontwikkeld in Amerika voor toepassing in de medische wereld. Aan de hand van de patiëntengegevens en een enorme database met informatie over aandoeningen en bijbehorende symptomen, stelt dit programma een differentiële diagnose op. Ook kan Watson de beeldvorming meenemen bij het opstellen van een differentiële diagnose. Vervolgens kan Watson in een bepaalde gevallen al een

(11)

1.4.2 Hypothese 2

De verwachting van de toekomstvisie van chirurgen betreft de toevoeging van KI bij cholecystectomieën, op de veiligheid, efficiëntie en hun positie, is dat de meningen uiteenlopend zullen zijn. Vooral wordt verwacht dat er sceptisch zal worden

(12)

2

Methode

Ten eerste is een literatuurstudie uitgevoerd waarbij kennis op het gebied van KI en cholecystectomie is opgedaan. Ten tweede is er meer inzicht vergaard in de

uitvoering van een cholecystectomie. Ten derde is er onderzocht of de computer na training sneller is in het herkennen van een driehoek dan proefpersonen. Ten slotte zijn ook nog interviews afgenomen om de visie van verschillende medisch

specialisten op KI te verkrijgen.

2.1

Literatuurstudie

Voor het medisch gerelateerde literatuuronderzoek is er informatie uit verschillende studieboeken gehaald, waaronder Moore, Grant en Rubin’s Pathology. Verder is de literatuurstudie digitaal uitgevoerd. Hierbij zijn voornamelijk Google Scholar en Scopus geraadpleegd. Bij de literatuurstudie zijn de zoekresultaten op relevantie gesorteerd. Bij het selecteren van bruikbare bronnen is er gekeken naar de

relevantie, datum van publicatie en het land van onderzoek. Uiteraard is informatie uit bronnen vergeleken met andere bronnen, om de betrouwbaarheid te verhogen. De zoektermen en daarbij gevonden bronnen zijn genoteerd, de bronnen zijn opgeslagen in Mendeley en vermeld bij de tekst die de informatie bevat.

2.2

Inzicht verkrijgen in een cholecystectomie

Via literatuurstudie is de kennis over een cholecystectomie vergroot. Vervolgens zijn twee, via M3 student Hans-Pieter Snels verkregen, opnames van een

cholecystectomie bestudeerd om een beter beeld te verkrijgen van een

cholecystectomie. Ten slotte is er bij een cholecystectomie meegekeken om meer inzicht te verkrijgen in het algehele verloop van de operatie.

2.3

Experimenteel onderzoek

Allereerst is de basiskennis van MATLAB R2018a en machine learning vergroot zodat MATLAB kon worden gebruikt voor het creëren van de data voor het experiment en het trainen en testen van een netwerk.

Voor het trainen van het netwerk zijn eerst met behulp van MATLAB vierduizend artificiële beelden van 128x128 pixels gecreëerd met ruis en willekeurig geplaatste driehoeken. Hetzelfde is gedaan met cirkels en enkel ruis. De ruis bestond uit zowel achtergrondruis en witte ruis met respectievelijk een standaarddeviatie (stdev) van 0,71 en 0,002 en een willekeurige signaal-ruis-verhouding (SNR) variërend tussen 1 en 64. De berekening van de stdev is te vinden in bijlage H. De beelden van de vormen en de beelden van de achtergrond zijn gefilterd met een gaussian filter met een stdev van respectievelijk 0.5 en 4. Vervolgens zijn de beelden van de vormen en de beelden van achtergrond samengevoegd. In de beelden van de driehoeken en de cirkels bestond de helft uit zwarte vormen en de andere helft uit witte vormen. Voorbeelden van deze artificiële beelden zijn te vinden in figuur 4. In bijlage B is het script te vinden waarmee deze gecreëerd zijn.

Deze beelden zijn, middels image labeling, gelabeld. Deze gelabelde beelden zijn verdeeld in een trainset, een testset en een validatieset in een verhouding van

respectievelijk 60 procent, 20 procent en 20 procent. Met de trainset is de computer getraind en is een netwerk gevormd. Dit is een deep learning neuraal netwerk wat bestaat uit 32 lagen met verschillende functies. In bijlage B is het script te vinden waarmee het netwerk is getraind. In bijlage C staat de uitgebreide analyse van het netwerk.

Na deze training is met de testset onderzocht of het middels deep learning mogelijk is dat het netwerk deze structuren zelfstandig gaat herkennen. Hierna is de

(13)

driehoeken en cirkels langzaam in beeld komen. De parameters betreffende de ruis en de gaussian filter hadden dezelfde waarden als de afbeeldingen waarmee het netwerk getraind is. Verder was het aantal frames per second (fps) 12 en was de zoom 4. De films duurden twintig seconden en op een willekeurig moment in de eerste tien seconden verschenen de eerste frames met een vorm. Door het vergroten van de SNR werd het signaal van de vorm sterker ten opzichte van de ruis en werd deze dus steeds beter zichtbaar. Bij het vergroten van de SNR is de stdev van de achtergrondruis constant gebleven en is de variantie aangepast. De SNR is namelijk afhankelijk van de stdev van de achtergrondruis en de amplitude (A) van het signaal volgens de volgende formule:

SN R=A2/stdev achtergrondruis2 (1) waarbij stdev achtergrondruis de waarde van 0.05 heeft en de waarde van A varieert. Het aanpassen van A is gedaan door deze waarde te vermenigvuldigen met matrix B bestaande uit: B=0.0083x, met x=[1:1:120]. In bijlage B is het script te vinden waarmee de films zijn gemaakt. Deze films zijn gebruikt om te bepalen op welk moment het netwerk en de proefpersonen de vorm herkenden.

Bij de proefpersonen is eerst een voorbeeldfilm laten zien, zodat ze wisten wat voor een vorm ze konden verwachten. Vervolgens zijn er twee films met een driehoek, twee films met een cirkel en een film met ruis getoond. Dit gebeurde in vaste volgorde om de metingen efficiënter te laten verlopen. Wanneer een proefpersoon een vorm in beeld zag, drukte de proefpersoon op de spatiebalk. De juistheid van de herkende vorm en het framenummer zijn hierbij genoteerd. Vervolgens zijn het aantal personen dat bij een bepaald framenummer de vorm juist herkende berekend. Hierbij is gecorrigeerd voor het aantal frames voordat de vorm begon met opkomen. Zo kon ook het percentage personen dat de driehoek juist herkende tegen het

framenummer uitgezet worden in Microsoft Excel 2016. Zie voor de gebruikte Excel codes en de berekening bijlage H.

Vervolgens zijn de frames uit de filmpjes gehaald met het script te vinden in bijlage B. Het netwerk heeft de frames van de films geanalyseerd en elk frame per categorie een lidmaatschap graad toegekend. Hierbij is gecorrigeerd voor het aantal frames voordat de vorm begon te verschijnen. De classificatie van het netwerk is

betrouwbaar geacht indien het drie frames achter elkaar met 99,5 procent zekerheid binnen dezelfde categorie schatte. Het framenummer is vervolgens omgerekend naar de SNR met formule (1).

Ten slotte is de vergelijking gemaakt tussen de gemiddelde snelheid van de

herkenning door de proefpersonen en de snelheid van herkenning door het netwerk middels een statistische analyse in het programma IBM SPSS Statistics 22. De uitkomstmaat die is geanalyseerd is het framenummer. Dit is een continue en onafhankelijke variabele. Er is vanuit gegaan dat de variabelen normaal verdeeld waren vanwege de centrale limietstelling, aangezien het aantal proefpersonen boven de dertig lag. Wel is de verdeling geanalyseerd door middel van QQ-plots. Er is middels een one sample onafhankelijke T-toets geanalyseerd of er een significant verschil bestond tussen de framenummers van de proefpersonen en het

framenummer van het netwerk. Met behulp van de T-toets is de nulhypothese: ‘Het getrainde netwerk herkent de vorm op hetzelfde framenummer als de proefpersonen’ getest tegen de alternatieve hypothese: ‘Het getrainde netwerk herkent de vorm op een eerder framenummer dan de proefpersonen’. Er is een significantieniveau van 95 procent gebruikt. Als dit significante verschil was gevonden, is bewezen geacht dat het netwerk sneller is in het herkennen van vormen in een film met ruis.

(14)

Figuur 4: De gecreëerde artificiële driehoeken. A. Witte driehoek met ruis. B. Zwarte cirkel met ruis. C. Alleen ruis.

Figuur 5: Flowchart van het experiment.

2.4

Interviews

(15)

3

Resultaten

Bij dit onderzoek zijn er twee verschillende soorten resultaten verkregen, namelijk de analyse van de films door de proefpersonen en het netwerk en de meningen van de chirurgen uit de interviews. Deze resultaten zijn hieronder uiteengezet en zullen in de discussie verder besproken worden.

3.1

Analyse door het getrainde netwerk

In figuur 6 wordt weergegeven hoe het netwerk de verschillende frames van de films classificeert. Per frame is de kansverdeling van de drie mogelijke categorieën

weergegeven. De kleuren oranje, blauw en lichtblauw geven de kans weer van

respectievelijk driehoek, ruis en cirkel. De grafieken beginnen op het moment dat de vormen langzaam in beeld verschijnen door een toenemende SNR, tot het punt waar de SNR in de films maximaal is.

(16)

3.2

Vergelijking personen analyse met netwerkanalyse

In figuur 7 staat de testdata van het netwerk en de proefpersonen weergegeven. De blauwe lijn geeft de classificatie zekerheid van het netwerk per framenummer weer. De oranje lijn geeft het percentage proefpersonen weer dat per framenummer een vorm in de films kon herkennen. De grafieken beginnen vanaf het moment dat de vormen langzaam in beeld verschijnen door een toenemende SNR, tot het punt waar de SNR in de films maximaal is. De grafieken waarin het aantal personen dat de vorm herkende is uitgezet per SNR zijn te vinden in bijlage E. Een overzicht van de framenummers en SNR waarbij de categorieën worden toegekend zijn weergegeven in tabel 1. Hierin is te zien dat de SNR bij herkenning door het netwerk lager is dan de SNR bij herkenning door de gemiddelde proefpersonen.

Figuur 7: In de grafieken hierboven weergeeft de blauwe lijn de zekerheid van het netwerk uitgezet tegenover het framenummer en de oranje lijn het percentage proefpersonen dat de vorm herkende uitgezet tegenover het framenummer.

Tabel 1: Overzicht van de specifieke frames en SNR waarbij de categorie toegekend werd aan de films door het netwerk. Ook is het gemiddelde en de modus van het framenummer en de SNR van de proefpersonen berekend. Daarnaast wordt per film de laagste score van het framenummer en de SNR van de proefpersonen weergegeven.

Film Driehoek wit Driehoek zwart Cirkel wit Cirkel zwart Classificatie door netwerk Framenummer 66 71 57 56

(99,5% zekerheid) SNR 7,5 8,75 5,64 5,44

Gemiddelde van Framenummer 90 100 72 70

proefpersonen SNR 14,06 17,36 9 8,51

Modus van proef- Framenummer 87 98 70 65

personen SNR 13,14 16,67 8,51 7,34

Laagste scores van Framenummer 69 76 59 58

(17)

(a) (b)

Figuur 8: (a) DeQ-Q plot van het framenummer van de proefpersonen bij de film met de witte driehoek. (b) De Q-Q plot van het framenummer van de proefpersonen bij de film met de zwarte driehoek.

Statistische analyse

Beide Q-Q plots zijn als voldoende normaal beschouwd en zijn te vinden in figuur 8, waarna een T-toets is uitgevoerd om te kijken of de nulhypothese verworpen kan worden. Deze resultaten staan in tabel 2 en tabel 3.

Tabel 2: De uitkomst van deone sample onafhankelijke T-toets van de proefpersonen vergeleken met het getrainde netwerk bij de witte driehoek.

(18)

3.3

Interview

Het interview is bij zeven chirurgen met verschillende specialismen afgenomen. Deze chirurgen zijn werkzaam in de ziekenhuizen Medisch Spectrum Twente, Ziekenhuis Groep Twente te Almelo en Meander Medisch Centrum. De aanvullende informatie uit de interviews is te vinden in bijlage F.

KI op de operatiekamer

Prof. dr. J.G. Grandjean (cardio thoracale chirurgie)

“In de vaatchirurgie doen we veel met endo-protheses. Dat is meer om het te

plaatsen op de juiste plek. Maar wat je eigenlijk wil is dat het vol automatisch gaat. Dat je van te voren zegt dit en dat moet er gebeuren. Dat wordt nu nog niet

gedaan.”

“Geen idee wat we ermee moeten. We maken nog te weinig gebruik van

hulpmiddelen. In OK wordt er al wel meer gebruik gemaakt van hulpmiddelen. Maar als je naar IC kijkt: patiënten worden gemonitord, er worden allerlei waardes gemaakt, maar er zit nergens een signaalfunctie die zegt van: ‘pas op, misschien is dit aan de hand of misschien is dat aan de hand of doe dit of doe dat.’ Dit wordt nu nog heel veel tegengehouden door dokters maar ook door verpleegkundigen. Terwijl de computer niet vaak faalt en die is ook niet moe.”

“Sommige delen zou je helemaal automatisch kunnen maken en andere delen weer niet. Dan heb je toch de persoonlijke intelligentie voor nodig die zegt dat doen we wel en dat doen we niet.”

Dr. P.M. Verheijen (gastro-intestinale chirurg) en drs. C.D.P. Van ‘t Hullenaar (AIOS)

KI wordt op dit moment nog niet gebruikt op de OK. Wat wel al toegepast zou kunnen worden is de Watson computer.

Prof. dr. I.A.M.J. Broeders (gastro-intestinale chirurg, specialisatie middenrifbreuken en darmkankerbehandelingen)

“Op een vrij eenvoudige laag. Hier gaat het vooral om beeldanalyse en dan gaat het niet om zelflerende of zelfcorrigerende systemen.”

Complicaties en moeilijkheden bij een cholecystectomie

Dr. P.M. Verheijen en drs. C.D.P. Van ‘t Hullenaar

De grootste complicaties bij de cholecystectomieën zijn galwegletsel, bloedingen of ontstekingen. Hier kunnen de patiënten zeker last van ondervinden, in serieuze gevallen kan het ook gevaarlijk zijn. Dit zou verminderd kunnen worden met behulp van KI, als dit ervoor zou zorgen dat de structuren sneller en beter herkend worden.

Prof. dr. I.A.M.J. Broeders

“In volgorde van ernst; het verlies van gal en galstenen, het veroorzaken van bloedingen en/of nabloedingen, het veroorzaken van letsel aan de galwegen en het veroorzaken van letsel aan andere inwendige organen, met of zonder dat men zich dat realiseert. Hiervan is beschadiging van de galwegen met afstand het meest ernstige probleem, samen met niet herkende schade aan de darmen.”

Mogelijkheden voor KI bij een cholecystectomie

Drs. M. van Veen (chirurg, fellow gastro-intestinale en oncologische chirurgie)

“Het lastige bij een cholecystectomie is de verkleving en dat je geen goed overzicht van de hilus hebt. Ik denk dat KI een toevoeging zou kunnen zijn bij deze

(19)

“Als het een stapje vooruit denkt, ‘pas op!’ als je bezig bent en het is lastig om te weten of die daar loopt, is dat ideaal als je zeker weet waar die loopt. Niet alleen ureter maar ook bloedvaten. Wel sneller echt robotchirurgie. Bij kijkoperatie is het lastig, niet echt met je hoofd in de machine met beeld, zou daar wel een toevoeging kunnen zijn.”

Dr. T. Verhagen (fellow gastro-intestinale en oncologische chirurgie)

Vooral bij cholecystitis is het lokaliseren van de driehoek van Calot heel erg lastig, dus voornamelijk bij deze gevallen zal het een toevoeging zijn. Als de ductus

choledochus wordt doorgeknipt haal je namelijk tien jaar van een leven af. Er wordt gezegd dat iedere chirurg dit een keer in zijn leven gebeurt. In een lastige operatie kan het een uur schelen als een computer je zou kunnen vertellen waar de ductus choledochus zit door deze bijvoorbeeld te laten oplichten. Ook zou het in de opleiding kunnen helpen met oefenen.

Dr. P.M. Verheijen en drs. C.D.P. Van ‘t Hullenaar

De efficiëntie van cholecystectomieën zal alleen bij lastige gevallen, dus bij

cholecystitis, verbeteren door de toevoeging van KI. In de simpele gevallen is het duidelijk waar je naartoe moet en zal het gebruik van herkenning met KI niet zorgen dat de CVS sneller verkregen wordt. Deze is dan namelijk al snel te vinden door de chirurg zelf. Het zal wel extra zekerheid bieden en zo de veiligheid verhogen bij alle cholecystectomieën, maar alleen bij gevallen met cholecystitis en veel verklevingen zal de efficiëntie ook daadwerkelijk verbeterd worden dankzij de toevoeging van KI.

Prof. dr. I.A.M.J. Broeders

“Dat zou op twee vlakken kunnen liggen. Enerzijds performance, chirurgen die slecht presteren moeten meer scholing krijgen of mogen die operaties niet meer uitvoeren, anderzijds helpen met herkennen van anatomie of anticiperen op de positie van de cruciale structuren.”

Ontwikkeling van KI en de toepassing hiervan in de komende

10 jaar

Dr. T. Verhagen

Uiteindelijk zal je aankomen op de operatiekamer, de robot aanzetten en op het knopje cholecystectomie drukken. Je wordt net een piloot. Het zal voor chirurgen steeds meer op procesbewaking gaan lijken. Persoonlijk hoop ik natuurlijk wel dat het nog heel lang duurt.

Ik denk dat het de toekomst is in heel de geneeskunde. Radiologen zijn eigenlijk al niet meer nodig. Watson is namelijk beter dan de radiologen. Vorige week was er een kinderchirurg uit amerika op een conferentie die sprak over KI in de

operatiekamer. Op dit moment kijkt bij medici de professor mee en vertelt deze ‘hier moet je heen en hier loopt dit etc’. Als je watson dat voert en genoeg beelden hebt kan hij dat ook zelf gaan doen. Dat hij weet waar alle structuren zich

bevinden. Dat gaan wij zeker meemaken. Uiteindelijk zal de robot ook zelfstandig gaan opereren. Op dit moment is de beweging van de patiënt nog lastig. Maar het is simpelweg een kwestie van tijd.

Prof. dr. I.A.M.J. Broeders

“Ik ben volkomen biased door werk en interesses, maar ik denk dat computer ondersteunde chirurgie en het gebruik van grote hoeveelheden data en de analyse hiervan echt de volgende grote revolutie in ons vak is. Denkende computers en het gebruik van informatie en daarna zelflerende systemen om chirurgen te

(20)

De ontwikkeling van technologie in de gezondheidszorg

Drs. M. van Veen

“Ik geloof dat de technologie steeds beter zal worden. De scans zullen een beter resolutie hebben en de camera’s zullen kleiner en minder invasief zijn. De

operatierobot zal bijvoorbeeld meer armen krijgen en soepeler werken. Ook zullen er steeds meer operatierobots in ziekenhuizen worden geplaatst. Dit zal ook

voornamelijk gunstig zijn voor de houding van de chirurg, deze hoeft niet meer te werken onder ongemakkelijke hoeken.”

Dr. T. Verhagen

In de komende vijf jaar in de chirurgie zal er steeds meer gebruik gemaakt worden van image guided surgery, layovers en de virtual reality techniek. Ook zal er gebruik gemaakt worden van 3D modellen en grafische projecties. Echte KI laat nog even op zich wachten.

Prof. dr. J.G. Grandjean

“Een van de grote problemen is dat de chips nog iets te langzaam zijn om één op één dingen uit te voeren. Je wilt beeldvorming meteen omzetten in virtueel beeld. Dus continue moeten invoeren in matlab. En in matlab ga je werken en dan moet het weer terug naar computer/robot die het in de persoon gaat voeren.”

“Alles is tot nu toe bijna gebaseerd op statische beelden en de uitdaging is om dat naar bewegende beelden te vertalen.”

“Als wij weten wat je moet doen, dan kun je het automatiseren. Eerst moeten wij nog intelligenter worden en dan komt de computer. Wel kan je hiervoor de computer en alles gebruiken om je te helpen, maar dat gebeurt nu nog veel te weinig.”

“Eerst een hulpmiddel en dan een vervanging. Ik weet niet hoe snel dit kan gaan. Dit is een beetje afhankelijk van hoe snel de chips zijn, hoe secuur.”

“Ik denk dat sommige delen van een operatie zo kunt programmeren dat een robot dat alleen kan doen.”

Dr. P.M. Verheijen en drs. C.D.P. Van ‘t Hullenaar

De ontwikkeling van de technologie zal heel beperkt zijn de komende 5 jaar. Het grootste wat er zal gebeuren is het verdwijnen van patenten op de operatierobot Da Vinci, waardoor er meerdere soortgelijke operatierobots op de markt zullen komen. Hierdoor zullen de robots goedkoper, beschikbaarder en veel meer ingezet worden. Met het zicht op de komende 10 tot 15 jaar zal er ook niet veel gebeuren, niks revolutionairs op het gebied van robots. Dit komt door de patenten, wat wel jammer is want dit zorgt ervoor dat de ontwikkeling langzaam verloopt.

Prof. dr. I.A.M.J. Broeders

“In 5 jaar, het analyseren van gegevens die computer vrij makkelijk uit de operatie kan krijgen, daarmee begint het. Dit kan plannings-efficiency voordeel en

benchmark gegevens opleveren. Dus een relatief overzichtelijke taak. In 5-10 jaar, vooruitgang in performance analyse, hoe presteer ik als chirurg, hier dan patronen uithalen en analyseren waar optimalisatie mogelijk is. Dan anatomie herkenning, scenario herkenning en adviseren op basis van een waargenomen scenario gerelateerd aan een enorme dataset met scenario’s, dat is echt een hele ingewikkelde stap. Dat heeft voornamelijk te maken met de vervormbaarheid van weefsel en de moeite die de computer heeft om daarmee om te gaan. Voordat dit echt concreet nut gaat opleveren voor chirurgen? Ik denk een jaartje of 10, grove schatting.”

Verandering van de positie als specialist

Drs. M. van Veen

(21)

Prof. dr. J.G. Grandjean

“De positie van de specialist gaat sowieso veranderen. Ten eerste vraagt de patiënt gewoon persoonlijke aandacht. Je moet sociaal vaardig blijven en niet een robot worden. Misschien heb je daardoor omdat je hulpmiddelen hebt, meer tijd voor persoonlijk contact.”

Dr. P.M. Verheijen en drs. C.D.P. Van ‘t Hullenaar

In de toekomst zal de computer tussen de arts en operatie in komen te staan, maar voorlopig zal mijn positie als specialist niet veranderen. Er zal iets meer selectie zijn in de taken die ik zelf moet doen, vooral in specialisatie. Wat ik hoop is dat de echt moeilijke dingen, makkelijker worden. Verder zou het fijn zijn als veel ingrepen meer door robots geassisteerd worden, dit zou ervoor zorgen dat ze meer laagdrempelig beschikbaar zijn. Dit zou een uitkomst zijn voor lastig bereikbare plekken. Zo zou de zorg meer toegankelijk worden en dus verbeteren.

Dr. G.D.J. van Olden (Traumachirurg)

“Positie als specialist zal niet veranderen. Door de hulpmiddelen zal het makkelijker worden, maar de taken blijven hetzelfde. Echte operaties zouden ook nooit helemaal uitgevoerd kunnen worden door een robot. Elke patiënt is anders, het is niet

gestandaardiseerd dus dat zou een robot nooit kunnen.”

Dr. I.A.M.J. Broeders

“Voor chirurgen niet, in de relatie tot mijn patiënt. Ik blijf degene die de operatie uitvoert en daar de eindverantwoordelijke over blijft. Wel denk ik dat als je chirurg wordt, dat je steeds meer open moet staan voor complexe technologie en daar ook steeds meer kennis over moet verzamelen. Dit loopt wel gelijk op met hoe jonge mensen hun hele leertraject doorlopen. De rol in het diagnostisch proces verandert wel. Meer gezamenlijk eigenaar van de kennis en de arts is degene die de kennis in perspectief moet brengen.”

“Wat de invoer van KI in diagnostiek tegenhoudt is de liability.”

“Kleine taken voor zorgrobots zoals patiënt verplaatsen, optillen en in een stoel zetten, is al heel ingewikkeld.”

Opinie over dit onderzoek

Prof. dr. J.G. Grandjean “Als de robot dingen kan herkennen, kan hij het ook zelf uitvoeren. Dan kan je een operatierobot programmeren voor dit. Want als de beeldvorming en herkenning goed is dan kan je hem opdrachten laten uitvoeren.” “Het duurt even voordat mensen zeggen dat iets beter is dan eigen handwerk. Dat betekent niet dat je de andere techniek niet ook moet kennen. In geval van nood altijd nog iets anders achter de hand hebben.”

Prof. dr. I.A.M.J. Broeders

“Zou fantastisch zijn als bij cholecystectomieën de computer van het begin af aan gaat coachen in dat proces. Dat de mate van zekerheid die de computer heeft over de positie van de structuren, die dat weergeeft in kleuren. Zo begint de chirurg in dat gebied met prepareren, dan krijgt de computer steeds meer zekerheid over indicatie en kan de kleur veranderen, dan kan CVS bevestigt worden. Hierdoor wordt het proces veel efficiënter en veiliger doorlopen met uiteindelijk ook een definitiever oordeel over de CVS.”

(22)

Dr. G.D.J. van Olden

Ik doe kijkoperaties van de liesbreuk, daar zou het heel handig zijn omdat je daar structuren ziet waarvan je denkt; ‘is dat nou wel of niet een vat?’. Als de computer die structuren zou kunnen herkennen, dat zou ideaal zijn. Bij traumatologische operaties denk ik niet dat KI een toevoeging zou kunnen zijn. Maar waar ze

allemaal mee bezig zijn, dat robots dingen herkennen en dat ze in de robot zitten te opereren, dat is wel mooi.”

“Maar bij traumachirurgie zou ik geen toepassing voor KI kunnen verzinnen, het zou er ongetwijfeld wel kunnen zijn, maar ik kan het niet bedenken. Wij doen niks met robot of computer, dit is gewoon handwerk.”

Prof. dr. I.A.M.J. Broeders

“De essentie zit in de rol van computers die data gaan verzamelen en analyseren wereldwijd, en daarmee nuttige informatie terug gaan brengen. Dus computer moet op de OK zijn en gevoed worden met data. Dat kan op een relatief eenvoudige manier; door observatie via camera. Maar het plaatsen van een computer in de OK biedt mogelijkheid om andere sensing information binnen te krijgen zoals

bewegingsinformatie, die koppel je dan aan de beeldinformatie. Dat is wel de rijkste vorm van data input. Dat is enerzijds een reden om in de cockpit te gaan zitten, dat je de computer ertussen kan zetten, een andere reden is dat als je als chirurg achter die cockpit zit, dat je interactief gebruik kan maken van data. Dat gaat veel

(23)

4

Discussie

Uit de resultaten bleek dat het netwerk de driehoeken herkende bij een SNR die 8,56 lager was dan die van de proefpersonen. Dit komt overeen met een verschil van 26 frames. Dit verschil is ook te zien in de statistische analyse. In de tabellen 2 en 3 is te zien dat de p-waarde gelijk is aan 0,000. Dit betekent dat de nulhypothese wordt verworpen. We achten bewezen, met een betrouwbaarheidsinterval van 95 procent, dat de waarde van het framenummer van herkenning van het netwerk lager is dan de waarde van het framenummer van herkenning van de proefpersonen. Dit klopt met onze hypothese; het netwerk is sneller in het herkennen van een driehoek in een film met ruis. Ook is er een verschil te zien tussen de snelheid van het herkennen van driehoeken ten opzichte van het herkennen van cirkels. De cirkels werden over het algemeen sneller herkend dan de driehoeken, met name door de proefpersonen. Verwacht wordt dat dit wordt veroorzaakt doordat de pixelwaardes van de omlijning sneller afnemen bij de driehoeken dan bij de cirkels. Hierdoor zijn de lijnen van de driehoek dunner en minder goed te onderscheiden van de ruis. Daarnaast bleek naar verwachting dat de meningen van de chirurgen over KI uiteenlopend waren. Wel waren de chirurgen minder sceptisch dan verwacht. De resultaten komen dus deels overeen met onze hypothese. Dit kan veroorzaakt zijn doordat er sprake kan zijn geweest van selectiebias. Het zou kunnen dat de chirurgen met vertrouwen in de ontwikkeling en toepassing van KI sneller geneigd waren om mee te werken. Het algemene beeld van de houding van chirurgen tegenover KI in de gezondheidszorg kan in dit onderzoek positiever lijken dan werkelijk het geval is. Verder was de onderzoekspopulatie te klein om een algemeen beeld te verkrijgen. Als er kritisch naar dit onderzoek gekeken wordt, zijn er enkele verbeterpunten. Zo bestond de gebruikte leerset voor dit experiment uit relatief weinig afbeeldingen met dezelfde SNR. Om een zo nauwkeurig mogelijk resultaat te krijgen bij de analyse van de films, is het van belang een zo groot mogelijke leerset aan te leveren met veel verschillende SNR en posities van de vormen. Doordat het trainen van een netwerk lang duurt, was het in dit onderzoek echter niet praktisch om een grotere leerset te gebruiken.

Daarnaast analyseerde het netwerk de films per frame, zodoende kon er aan elk frame een categorie gegeven worden. Op deze manier kreeg het netwerk dus de tijd om elk frame met een bepaalde SNR afzonderlijk te beoordelen. De proefpersonen moesten de frames in de films achter elkaar door bekijken en kregen dus niet de kans om elk frame afzonderlijk te beoordelen. Er wordt echter verwacht dat dit geen invloed heeft gehad op de resultaten gezien het netwerk circa 20 frames per seconde kan verwerken, terwijl de afspeelsnelheid van de films 12 fps was.

Tevens is de computer getraind en de proefpersonen niet. Het adaptieve vermogen van een persoon wordt als zodanig beschouwd dat zij genoeg hebben aan een

voorbeeldfilm om het experiment uit te voeren. Het zou mogelijk kunnen zijn dat de proefpersonen sneller worden naarmate ze meer geoefend hebben voor het

experiment. Om dit zeker te weten zou het experiment met de proefpersonen veelvoudig moeten worden uitgevoerd, met meer testfilms, om te zien of dit een verschil oplevert ten opzichte van het netwerk. Het netwerk zal dan, om de resultaten te kunnen vergelijken, dezelfde testfilms moeten analyseren.

(24)

Voor toekomstig onderzoek kunnen de volgende aspecten meegenomen worden. Aangezien KI een complexe studie is en daarvoor veel data nodig is, was het niet mogelijk om dit onderzoek uit te voeren met laparoscopische beelden. Voor dit onderzoek is daarom gebruik gemaakt van artificiële beelden. Hierdoor kan geen garantie worden geboden dat de computer de driehoek van Calot zal herkennen tijdens een cholecystectomie. Daarnaast is het netwerk getraind met zwart-wit beelden, terwijl laparoscopische beelden in kleur zijn. In het vervolgonderzoek is het aan te raden om de computer te trainen met grote datasets van cholecystectomieën en met name het gedeelte waar de CVS wordt verkregen. Indien het mogelijk is om de computer de driehoek van Calot te laten herkennen, moet er rekening worden gehouden met anatomische variaties in de oorsprong en het verloop van de a. cystica [17]. In 75 procent van de gevallen is een enkele a. cystica afkomstig van de a. hepatica dextra. Echter is er in 2 tot 15 procent van de gevallen een dubbele a. cystica in de driehoek van Calot. Bovendien kan de a. cystica ook afkomstig zijn uit andere arteriën dan de a. hepatica dextra.[17] Gezien deze anatomische variaties niet vaak voorkomen, is het lastig om hiervan een dataset te verkrijgen die groot genoeg is om de computer mee te kunnen trainen. Hierdoor zal de computer minder accuraat te werk gaan, waardoor de sensitiviteit omlaag zal gaan. Om dit

vermoeden te bevestigen en te kunnen kijken of de computer dit met genoeg training kan lokaliseren, zal hier meer onderzoek naar gedaan moeten worden. Daarnaast kan het verkrijgen van de CVS nog meer bemoeilijkt worden bij

cholecystitis [36]. In dat geval zullen er veel verklevingen zijn waardoor de driehoek van Calot moeilijker vrij te prepareren is, maar waarbij KI waardevol zal zijn [36]. Bovendien is voor het labelen van de frames gebruik gemaakt van image labeling. In vervolgonderzoek is het aan te raden om gebruik te maken van pixel labeling.

Hierbij is het mogelijk om naast het herkennen van de vorm, ook de precieze locatie ervan te laten bepalen door het netwerk. Ook voor het gebruik van KI bij

cholecystectomieën zal pixel labeling gebruikt moeten worden, zodat precies

aangegeven kan worden waar de driehoek van Calot zich bevindt. Wellicht kan dan gebruik gemaakt worden van een kleurenspectrum dat in het beeld de kansdichtheid van de aanwezigheid van anatomische structuren weergeeft. Een vervolgstap hierop zou zijn dat de computer de chirurg zal kunnen ondersteunen en alarmeren als er complicaties dreigen. Dit zal de veiligheid en de efficiëntie van de operaties vergroten en daarmee de kans op complicaties reduceren.

(25)

5

Conclusie

Uit het onderzoek is gebleken dat een getraind netwerk sneller is in het herkennen van driehoeken dan de gemiddelde persoon. Dit is de eerste stap richting het gebruik van KI voor het veiliger en efficiënter herkennen van de driehoek van Calot tijdens een cholecystectomie. Echter zal er vervolgonderzoek gedaan moeten worden om de veiligheid en efficiëntie te bevestigen, voordat dit daadwerkelijk

geïmplementeerd kan worden.

(26)

Referenties

[1] B. Münzer, K. Schoeffmann, and L. Böszörmenyi, “Content-based processing and analysis of endoscopic images and videos: A survey,” Multimedia Tools and Applications, vol. 77, no. 1, pp. 1323–1362, 1 2018. [Online]. Available: http://link.springer.com/10.1007/s11042-016-4219-z

[2] J. F. Lange and L. P. S. Stassen, “Best practice: De techniek van de laparoscopische cholecystectomie (Critical View of Safety [CVS]; Werkgroep Endoscopische Chirurgie van de Nederlandse Vereniging voor Heelkunde),” 2006. [Online]. Available: https://heelkunde.nl/sites/heelkunde.nl/files/richtlijnen-definitief/BestPracticeLaparoscopischeCholecystectomiepdf.pdf

[3] M. A. J. Nijssen, J. M. J. Schreinemakers, Z. Meyer, G. P. van der Schelling, R. M. P. H. Crolla, and A. M. Rijken, “Complications After Laparoscopic Cholecystectomy: A Video Evaluation Study of Whether the Critical View of Safety was Reached,” World Journal of Surgery, vol. 39, no. 7, pp. 1798–1803, 7 2015. [Online]. Available: http://link.springer.com/10.1007/s00268-015-2993-9 [4] M. van Veen, “Interview,” MST Enschede, 2018.

[5] IBM Watson Health, “IBM Watson Health - Medical Imaging.” [Online]. Available: https://www.ibm.com/watson/health/imaging/

[6] “Overzicht inkomsten en uitgaven Rijksoverheid 2018 | Prinsjesdag | Rijksoverheid.nl.” [Online]. Availa-ble: https://www.rijksoverheid.nl/onderwerpen/prinsjesdag/inkomsten-en-uitgaven/overzicht-inkomsten-en-uitgaven-rijksoverheid-2018

[7] E. Mot, K. Stuut, P. Westra, and R. Aalbers, “Een raming van de zorguitgaven 2018-2021,” CPB Achtergronddocument, 2016. [Online]. Available: https://www.cpb.nl/sites/default/files/publicaties/download/cpb-

achtergronddocument-30mrt2016-een-raming-van-de-zorguitgaven-2018-2021.pdf

[8] T. Syeda-Mahmood, “Role of Big Data and Machine Learning in Diagnostic Decision Support in Radiology,” Journal of the American College of Radiology, vol. 15, no. 3, pp. 569–576, 3 2018. [Online]. Available: http://linkinghub.elsevier.com/retrieve/pii/S1546144018300541

[9] D. A. Hashimoto, G. Rosman, D. Rus, and O. R. Meireles, “Artificial Intelligence in Surgery,” Annals of Surgery, 2018.

[10] D. A. e. a. H.J. Bonjer, J.D. Blankensteijn, “chirurgie,” in chirurgie. Hou-ten/Diegem: Bohn Stafleu van Loghum, 2002, ch. chron. bovenbuikpijn, p. 207. [11] I. Triantafyllidis, N. Nikoloudis, N. Sapidis, M. Chrissidou, I. Kalait-sidou, and T. Chrissidis, “Complications of Laparoscopic Cholecystec-tomy: Our Experience in a District General Hospital.” [Online]. Available: https://insights.ovid.com/pubmed?pmid=20027087

[12] A. Viste, A. Horn, K. Øvrebø, B. Christensen, J.-H. Angelsen, and D. Hoem, “Bile duct injuries following laparoscopic cholecystectomy,” Scandinavian Journal of Surgery, vol. 104, no. 4, pp. 233–237, 12 2015. [Online]. Available: http://journals.sagepub.com/doi/10.1177/1457496915570088

[13] T. Verhagen, “Interview,” ZGT Almelo, 2018.

[14] D. Gouma, “Galwegletsel na laparoscopische cholecystectomie,” 1999. [Online]. Available: https://www.ntvg.nl/system/files/publications/1999106060001a.pdf [15] K. L. Moore, A. F. Dalley, and A. M. Agur, “Clinically oriented anatomy,” in

Clinically oriented anatomy, 7th ed. Philadelphia: Wolters Kluwer, 2014, ch. 2: Abdomen, pp. 268–280.

(27)

[17] S. Abdalla, S. Pierre, and H. Ellis, “Calot’s triangle,” Clinical Ana-tomy, vol. 26, no. 4, pp. 493–501, 5 2013. [Online]. Available: http://doi.wiley.com/10.1002/ca.22170

[18] W. v. G. H. Smeenk, N.W.L. Schep, “Leidraad chirurgie,” in Leidraad chirurgie. Houten: Springer Uitgeverij, 2005, ch. 10. Lever„ p. 115.

[19] S. Afamefuna and S. N. Allen, “Gallbladder Disease: Pathophy-siology, Diagnosis, and Treatment,” Gastroenterology, 3 2013. [On-line]. Available: http://stage.uspharmacist.com/article/gallbladder-disease-pathophysiology-diagnosis-and-treatment

[20] E. L. R. Howard M. Reisner, Essentials of Rubin’s Pathology, 6th ed., E. L. R. Howard M. Reisner, Ed. Wolters Kluwer, 2009.

[21] Mayo Clinic Staff, “Cholecystitis - Symptoms and causes - Mayo Clinic,” 2017. [Online]. Available: https://www.mayoclinic.org/diseases-conditions/cholecystitis/symptoms-causes/syc-20364867

[22] Cancer Treatment Centers of America, “Types of Gallbladder Cancer | CTCA.” [Online]. Available: https://www.cancercenter.com/gallbladder-cancer/types/ [23] T. O. Goetze, “Gallbladder carcinoma: Prognostic factors and therapeutic

options.” World journal of gastroenterology, vol. 21, no. 43, pp. 12 211–7, 11 2015. [Online]. Available: http://www.ncbi.nlm.nih.gov/pubmed/26604631 http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=PMC4649107 [24] H. G. H. G. Gooszen and J. D. J. D. Blankensteijn, Leerboek chirurgie. Bohn

Stafleu van Loghum, 2012.

[25] Laurentius chirurgie, “CHIRURGIE Cholecystectomie,” 2016. [Online]. Available: https://www.laurentiusziekenhuisroermond.nl/files/684/cholecystectomie.pdf [26] Catharina Ziekenhuis, “Cholecystectomie Kort verblijf,” 2016. [Online].

Available: www.catharinaziekenhuis.nl

[27] M. Radunovic, R. Lazovic, N. Popovic, M. Magdelinic, M. Bulajic, L. Radunovic, M. Vukovic, and M. Radunovic, “Complications of Laparoscopic Cholecystectomy: Our Experience from a Retrospective Analysis.” Open access Macedonian journal of medical sciences, vol. 4, no. 4, pp. 641–646, 12 2016. [Online]. Available: http://www.ncbi.nlm.nih.gov/pubmed/28028405 http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=PMC5175513 [28] R. Bellman, An introduction to artificial intelligence : can computers think?

Boyd & Fraser Pub. Co, 1978.

[29] R. C. Deo, “Machine Learning in Medicine.” Circula-tion, vol. 132, no. 20, pp. 1920–30, 11 2015. [Online]. Available: http://www.ncbi.nlm.nih.gov/pubmed/26572668 http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=PMC5831252 [30] R. A. Miller, H. E. Pople, and J. D. Myers, “<i>Internist-I</i> , an

Experi-mental Computer-Based Diagnostic Consultant for General Internal Medicine,”

New England Journal of Medicine, vol. 307, no. 8, pp. 468–476, 8 1982. [Online]. Available: http://www.nejm.org/doi/abs/10.1056/NEJM198208193070803 [31] “Object Recognition - MATLAB &amp; Simulink.” [Online]. Available:

https://nl.mathworks.com/solutions/deep-learning/object-recognition.html [32] R. Szeliski, Computer vision : algorithms and applications. Springer, 2011. [33] B. Kamphuis, “’Europees lab nodig om controle te houden over kunstmatige

(28)

https://nos.nl/artikel/2237018-Annals of Oncology, vol. 29, no. 2, pp. 418–423, 2 2018. [Online]. Available: https://academic.oup.com/annonc/article/29/2/418/4781689

[35] L. D. Jones, D. Golan, S. A. Hanna, and M. Ramachandran, “Artificial intelligence, machine learning and the evolution of healthcare,” Bone & Joint Research, vol. 7, no. 3, pp. 223–225, 3 2018. [Online]. Available: http://online.boneandjoint.org.uk/doi/10.1302/2046-3758.73.BJR-2017-0147.R1 [36] P. Verheijen and C. Van ’t Hullenaar, “Interview,” Meander Amersfoort, 2018. [37] I. Broeders, “Interview,” Meander Amersfoort, 2018.

[38] A. B. Bergman, H. L. Neiman, and B. Kraut, “Ultrasonographic eva-luation of pericholecystic abscesses.” AJR. American journal of roent-genology, vol. 132, no. 2, pp. 201–3, 2 1979. [Online]. Available: http://www.ncbi.nlm.nih.gov/pubmed/105583

[39] American Cancer Society, “What Are the Risk Factors for Gallbladder Cancer?” [Online]. Available: https://www.cancer.org/cancer/gallbladder-cancer/causes-risks-prevention/risk-factors.html

[40] University of Rochester Medical Center, “Ampullary Cancer - Health Encyclo-pedia - University of Rochester Medical Center.”

(29)

Bijlage A: Aanvulling achtergrondinformatie

Hier is informatie te vinden die aanvullend is op de achtergrondinformatie in de scriptie. Er wordt dieper ingegaan op de fysiologie, de anatomie en pathologie van de galblaas.

Anatomie en fysiologie galblaas

Het bloed uit de cervix van de galblaas en van de ductus cysticus wordt via de v. cystica afgevoerd. Het bloed komt direct in de lever of wordt afgevoerd naar de poortader. Het bloed uit de fundus en het corpus komt direct in de lever via de hepatische sinusoïden.[15]

Vanuit de lever komt er per dag 450 mL gal in de galblaas. De galblaas kan vervolgens galzuur in hoge concentraties en op een gecontroleerde manier aan het duodenum leveren. In het duodenum komen vetzuren uit de maag terecht. Deze brengen de uitscheiding van cholecystokinine (CCk) en glucose-afhankelijk

insulinotropisch polypeptide (GIP) uit de mucosa van het duodenum op gang. CCK stimuleert de secretie van gal naar het duodenum door de galblaas te laten

contraheren en de sphincter van Oddi te laten relaxeren. GIP zorgt verder voor de stimulatie van de insulineproductie in de pancreas.[16]

De secretie van gal heeft twee primaire functies. De eerste functie is eliminatie van vele endogene en exogene afvalstoffen, zoals bilirubine en cholesterol. De tweede is het bevorderen van de vertering en absorptie van lipiden in de darmen.[16] Het bevorderen van de vertering en absorptie gebeurt op verschillende manieren. Ten eerste stimuleren galzouten bile salt dependent lipase (BSDL). BSDL is stabiel in de zure omgeving van de maag, maar wordt actief in de alkalische omgeving van het duodenum. Hier hydrolyseert dit diglyceriden, MAGs, cholesteryl esters,

vet-oplosbare vitamine esters en TAGs. Naast het stimuleren van BSDL beschermen de galzouten BSDL ook van proteolyse in de dunne darm.[16] Ten tweede promoten galzuren absorptie van lipiden doordat ze micellen kunnen vormen. Als het gal in het duodenum aankomt zullen galzuren, lecithine en cholesterol adsorberen op het oppervlak van de emulsiedruppels uit de maag. Oppervlakte TAGs zullen

hydrolyseren en vervangen worden door TAGs uit de kern en de emulsiedruppels zullen steeds kleiner worden. Hierdoor wordt het oppervlak relatief groter en zal de hydrolysesnelheid toenemen. Vervolgens ontstaat er een multilamellaire kristallijne laag van vetzuren, MAGs, lysolecithines, cholesterol en galzouten op de

(30)

Pathologie galblaas

De galblaas kent verscheidene pathologieën, waarvan de voornaamste cholelithiasis, cholecystitis en carcinomen zijn [20].

Cholelithiasis

Pathogenese van cholesterolgalstenen is een proces wat uit meerdere factoren bestaat. Dit heeft te maken met de fysisch-chemische kwaliteiten van het gal en lokale factoren van de galblaas zelf. Cholesterol slaat neer als kristallen en vormt hiermee galstenen. Galstenen bestaande uit calciumbilirubine worden bijna altijd geassocieerd met bacteriële cholangitis. Het kan ook te maken hebben met een verhoogde concentratie van ongeconjugeerd bilirubine in het gal. Bij cholelithiasis zijn ouderdom, obesitas, aanleg en cholesterolrijke diëten risicofactoren. Hiernaast hebben bepaalde etnische groepen een verhoogde kans tot het ontwikkelen van galstenen.[20]

Acute cholecystitis

De pathologie van acute cholecystitis is een oedemateus en gelamineerd oppervlak met fibrineus exsudaat. Het slijmvlies is vuurrood of paars. In het lumen bevinden zich de galstenen welke vaak de ductus cysticus blokkeren. Secundaire bacteriële ontsteking kan leiden tot het etteren van de wand. Het slijmvlies heeft dan focale ulceraties of is zelfs necrotisch wat kan leiden tot perforatie van de galblaas. Dit resulteert voornamelijk in een pericholecystisch abces, wat de galsecretie limiteert, maar soms ook in peritonitis.[38]

Chronische cholecystitis

In het geval van chronische cholecystitis is de wand verdikt en chronisch ontstoken. De sereuze oppervlakken kunnen fibreuze verklevingen bevatten van eerdere acute cholecystitis. Het slijmvlies kan focale ulceraties bevatten en kan er atrofisch uitzien. Microscopisch is de wand fibrotisch en wordt deze vaak gepenetreerd met sinussen van Rokitansky Aschoff.[20]

Carcinomen

Carcinomen in de galblaas komen vaker voor in vrouwen dan mannen [23][39]. Carcinomen kunnen zich in zeldzame gevallen ook bevinden in de ductus

(31)

Bijlage B: Matlab scripts

(32)
(33)
(34)
(35)
(36)
(37)
(38)

Frames uit films halen

(39)
(40)

Bijlage D: Interview protocol

*Voorafgaand aan de vragen vertellen wie wij zijn, waar we mee bezig zijn en vragen of het gesprek opgenomen mag worden*

• Kunt u ons vertellen hoe u heet, wat uw leeftijd is en wat voor specialisme u beoefend?

• Bent u bekend met Technische Geneeskunde en wat dit inhoudt?

• Bent u bekend met de term kunstmatige intelligentie?

• Op welke manier denkt u dat KI een toevoeging zou kunnen zijn op de OK?

– Binnen 5 jaar en binnen 10 jaar?

• Wordt er al gebruik gemaakt van KI bij operaties die hier plaatsvinden?

– Wat zijn de voordelen hiervan?

– Wat zijn dingen die nog verbeterd kunnen worden d.m.v KI?

• Welke complicaties en moeilijkheden treden er op bij het uitvoeren van laparo-scopische cholecystectomie / de operaties die u uitvoert?

– Denkt u dat KI een toevoeging zou kunnen zijn bij deze moeilijkheden?

• Hoe zou het uitvoeren van eenlaparoscopische cholecystectomie / de ope-raties die u uitvoertefficiënter kunnen?

– Denkt u dat KI hierbij zou kunnen helpen?

• Hoe denkt u dat de technologie in uw specialisme zich gaat ontwikkelen in de komende 10 jaar?

– Denkt u dat hier een rol voor AI ligt? Hoe denkt u hierover?

– Verwacht u dat uw positie als specialist dan zal veranderen?

– Hoe zou u willen dat het zich gaat ontwikkelen?

– Wat verwacht u niet meer te hoeven doen over 10 jaar?

• *Idee van structuren herkennen om efficiëntie te verhogen voorleggen* – Hoe denkt u hierover?

Reservevraag

(41)

Bijlage E: Extra afbeeldingen resultaten

Figuur B:Het aantal personen dat de witte driehoek herkende per SNR

(42)

Figuur D:Het aantal personen dat de witte cirkel herkende per SNR

(43)

Bijlage F: Aanvulling interview

KI op de operatiekamer

Dr. J.G. Grandjean (cardio thoracale chirurgie)

“Hier werken we veel met robots en daar zie je dat het voor een deel wordt ingebouwd. Ze hebben daar een opstelling staan met een stuurbare katheter die reageert op de mitralis annulus. De katheter compenseert voor bewegingen, maar kan ook aanleren om te compenseren voor ritmestoornis. Dus die kan dan eigenlijk op dezelfde plek blijven, terwijl het hart blijft kloppen en je ook je ademhaling hebt die ook invloed heeft. Dus we zijn er mee bezig, maar we zijn nog lang niet zo ver.”

Dr. G.D.J. van Olden (Traumachirurg)

“Er wordt nog geen gebruik gemaakt van KI, alleen bij onderzoek wordt er gebruik van gemaakt, door TG’ers.”

Prof. dr. I.A.M.J. Broeders

“Ik werk met een operatierobot die de optiek vasthoudt, de camera, en die volgt mij constant. Die analyseert constant beelden en die begrijpt dus waar mijn

instrumenten zich in beeld begeven. Die kan ik dus gebruiken om op een veel interactievere manier de optiek te sturen. Ik weet niet of je dit KI mag noemen, maar het is in ieder geval nuttig gebruik van hoogwaardige beeldanalyse. Dat is wel een van de allereerste concrete voorbeelden van praktisch gebruik van dit soort technologie.”

Complicaties en moeilijkheden bij operaties

Dr. G.D.J. van Olden

“Bij de traumatologie is dat repositie. Repositie is het weer bij elkaar passen van losse botstukken; wat hoort waaraan, wat hoort waarbij? Dat heeft alles te maken met pre-operatieve planning. Vantevoren kijken; ‘hé dat botstuk hoort daar, dat hoort daar.’. In sommige gevallen zal er een 3D print gemaakt kunnen worden van het gebroken bot met behulp van 3D CT-scans, wordt al op experimentele basis gedaan. Op basis van de 3D geprinte botbreuken zou alvast een planning gemaakt kunnen worden voor de operatie. Dit staat wel nog in de kinderschoenen.”

“Bij de liesbreukoperatie is het probleem dat het een heel klein gebiedje is, waar je een heleboel structuren en vaten ziet. Hierbij zijn de slagaders naar benen toe, buikslagadertjes, naar het caecum, de blaas en de botten. Voornamelijk de vaten moeten hierbij aangegeven kunnen worden. Het is nu een kijkoperatie, dus KI wordt ook nog niet gebruikt bij deze operatie.”

Mogelijkheden voor KI bij een cholecystectomie

Dr. P.M. Verheijen en drs. C.D.P. Van ‘t Hullenaar

“KI zal voornamelijk een toevoeging zijn bij complexe operaties, bij het voorkomen van risico’s door structuren die niet geraakt mogen worden, te herkennen en aan te geven. Dit kan door MRI of CT te incorporeren in de OK door middel van image fusion. Zo kunnen kwetsbare structuren beter en sneller herkent worden.“ Prof. dr. I.A.M.J. Broeders

(44)

Ontwikkeling van KI en de toepassing hiervan in de komende

10 jaar

Prof. dr. I.A.M.J. Broeders

“De Da Vinci robot is niet meer dan een extreem verfijnd elektromechanisch

apparaat, waarbij de computer uitsluitend een rol speelt in het veilig toepassen van elektromechanische overbrenging van bewegingen. Het feit dat die patent verlopen zijn, biedt andere partijen de mogelijkheid die markt in te stappen. Maar het is ook zo dat de grote andere partijen pas de afgelopen jaren zijn gaan inzien dat

robotchirurgie een blijver is. Partijen zien: wij moeten die markt in, tegelijkertijd krijgen ze nu de mogelijkheid. Ze kijken wel tegen een 20 jaar technische

ontwikkelingsachterstand aan. Dat is een serieuze uitdaging om in te halen.” “Een bandje pakken om operatieverslag in te spreken. Veel minder typen en administratie, veel meer met spraakherkenning gaan werken.”

De ontwikkeling van technologie in de gezondheidszorg

Dr. G.D.J. van Olden

“Voor ons is dat het aanpassen van implantaten; we hebben platen en schroeven die gemodificeerd worden. Het modificeren van nieuwe platen ben ik zelf ook mee bezig, van ja; we hebben een prachtige plaat maar hij kan nóg ietsje beter, dat doe je door het veel te gebruiken en denken van hé dit zou handig zijn. Of bij instrumenten die je kunt gebruiken, als er iets niet handig is aan bv. een tang, dan kan je daar nog iets aan verbeteren. Voor de rest is dat het een beetje voor de traumatologie, naast de 3D printer die al genoemd is en al experimenteel gebruikt wordt. Dat zal

standaard worden; met behulp van CT de prints te maken. Beeldvorming zijn ze nu al mee bezig, de ene radioloog kan hele mooie plaatjes maken met de software die ze hebben, bijvoorbeeld op de knop drukken en zo hele mooie 3D plaatjes maken. Nog niet tastbaar geprint, maar wel al zichtbaar. Dat bestaat ook al, daar zit wel veel kwaliteitsverschil in. Er zijn echt mooie programma’s en waarschijnlijk ook hele dure programma’s voor. Dat zal zich in de komende jaren wel gaan ontwikkelen. Die programma’s worden steeds betaalbaarder.”

Prof. dr. J.G. Grandjean

“Wat ik voor me zie is dat je een patiënt met een afwijking hebt, die is door CT of MRI gegaan, daar is beeldvorming van. Die moet behandeld worden. Wat je kan doen is dat jij als operateur niet meer bij de patiënt staat te behandelen, maar dat je met joystickjes heel fijn in een virtueel beeld aan het behandelen bent. Wat je in het virtuele beeld doet, gaat terug naar de robot, die weer aan de patiënt zit te sleutelen.”

“In Amerika gebruiken ze DaVinci en hebben ze een soort sensor aangemaakt, zodat ze kunnen palperen en er wat simpels uit kunnen halen. Zodat hij boven de juiste plek is en je een sneetje kunt maken op de juiste plek.”

(45)

Verandering van de positie als specialist

Dr. M. van Veen

‘Wat ik minder verwacht te doen over 10 jaar is bijv. het weghalen van lymfeklieren. Voor vele kankersoorten zullen we niet meer het eerste aanspreekpunten worden, maar zal er eerst behandeld worden met therapie. Op dit punt is namelijk nog veel winst te halen.’

Prof. dr. J.G. Grandjean

“Ik weet niet wat de specialist over 10 jaar niet meer hoeft te doen. Dingen

veranderen in het vak. Er zijn allemaal toepassingen die je kunt doen, waar snelle beeldvorming voor nodig is. Op stilstaand beeld kunnen ze al heel veel. Volgende uitdaging om op bewegende delen in het lichaam.”

Dr. P.M. Verheijen en drs. C.D.P. Van ‘t Hullenaar

Over 10 jaar verwacht ik dat ik bepaalde operaties zoals leverresecties,

lymfeklierresecties en mammachirurgie niet meer hoef uit te voeren. Tegen die tijd zullen er andere technieken zijn die de operaties zullen vervangen. Veel operaties zullen meer endoscopische of hybride ingrepen worden.

Dr. G.D.J. van Olden

“Die nieuwe dingen, die hoor je dan, maar dat zijn vaak hulpmiddelen. De operaties veranderen niet, maar hoe fijn is het om een hulpmiddel in je handen te krijgen? Platen die worden ook steeds mooier, passen steeds beter. 3e generatie platen momenteel. Je moet ermee leren werken, maar de rol zelf zal niet veranderen. Ook hetzelfde blijven doen over 10 jaar. De operaties blijven altijd hetzelfde; er zullen altijd mensen met liesbreuken zijn, altijd mensen met gebroken heupen. Dat stopt nooit.”

Prof. dr. I.A.M.J. Broeders

“De rol in het diagnostisch proces veranderd wel, die wordt veel meer kennis coach dan kennis eigenaar. Mensen komen met veel meer kennis over hun aandoening naar je toe, bijna alles vinden ze zelf. In verloop van tijd zullen patiënten beter gevuld met kennis naar je toekomen. Je wordt veel meer een procesbegeleider, daar wordt het vak niet minder interessant van. Het is gewoon een evolutie in je rol. Dit is volstrekt onvermijdelijk; of ik het wil of niet, zo zal het gaan.“

“Wij Europeanen denken anders dan Amerikanen, wordt daar ontwikkeld. Als het systeem de verkeerde diagnose stelt, wie is daar verantwoordelijk voor? Artsen: wat is onze taak? moeten wij het gaan controleren? wij hebben een grotere foutmarge. Deze processen: verantwoordelijkheid, logisch handelen. Die houden dat heel erg tegen.”

Opinie over dit onderzoek

Prof. dr. J.G. Grandjean

“Op het moment dat het mogelijk is om structuren te gaan herkennen, dan kan de operatierobot zo geprogrammeerd worden dat de robot dan weet wat hij moet doen.”

Rol van TG’er

Dr. T. Verhagen

(46)

Prof. dr. J.G. Grandjean

“Ik heb vanaf begin al met tg’ers gewerkt. Heb er een aantal in dienst, dus ik moet zeggen het is een hele welkome aanvulling als clinicus. Zoals de dokter nu wordt opgeleid, snappen ze niet waar TG’ers mee bezig zijn. Sommige zullen het wel leuk vinden, maar kunnen niet iets met matlab. Het wordt een team dat elkaar aanvult en gezamenlijke verantwoordelijkheid heeft.”

Dr. P.M. Verheijen en drs. C.D.P. Van ‘t Hullenaar

De rol van TG’ers zal ook steeds belangrijker worden in het ziekenhuis.

Prof. dr. I.A.M.J. Broeders

References

Related documents

September 2016 Volume 5 Issue 9 Page 3046 International Journal of Reproduction, Contraception, Obstetrics and Gynecology Goel P et al Int J Reprod Contracept Obstet Gynecol 2016

In this paper we concentrated on the geographical dynam- ics of cholera diffusion in modern Japan and described a method for identifying spatial and temporal epidemic dif-

This approach has been used in Australia, with a separate Delphi study undertaken to develop guide- lines for Aboriginal Australians, using Aboriginal mental health experts as

Figure1: This current study showed the highest percentage of persons who practice violence.. against women was the husband is 41.8% and followed by the father 13.0%, while

Previous studies have revealed that changes in microRNA levels existed in some patients with sepsis [8], but the clinical value of microRNA, as a biomarker, used for diagnosis

Comparative proteomics of these communities identified a protein of glycoside hydrolase family 12 (GH12), a family of proteins previously observed to primarily hydrolyze

The concentrations of Ni, Fe, Pb, Mn and Cd in these samples were also determined as soluble and particulate metals using flame Atomic Absorption

Keywords- Biometric, Facial Recognition, Fingerprint Module, Raspberry Pi, LBPH Face Recognizer, Haar Cascade, Firebase, Customized